CN113724264B - 图像分割方法、***和可读存储介质 - Google Patents
图像分割方法、***和可读存储介质 Download PDFInfo
- Publication number
- CN113724264B CN113724264B CN202010457666.5A CN202010457666A CN113724264B CN 113724264 B CN113724264 B CN 113724264B CN 202010457666 A CN202010457666 A CN 202010457666A CN 113724264 B CN113724264 B CN 113724264B
- Authority
- CN
- China
- Prior art keywords
- image
- segmented
- segmentation
- tissue organ
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003709 image segmentation Methods 0.000 title claims abstract description 53
- 210000000056 organ Anatomy 0.000 claims abstract description 137
- 230000011218 segmentation Effects 0.000 claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000000877 morphologic effect Effects 0.000 claims description 32
- 210000004204 blood vessel Anatomy 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 5
- 210000001519 tissue Anatomy 0.000 description 117
- 210000004072 lung Anatomy 0.000 description 29
- 230000008569 process Effects 0.000 description 9
- 210000001147 pulmonary artery Anatomy 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 230000002685 pulmonary effect Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 210000004879 pulmonary tissue Anatomy 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种图像分割方法、***和可读存储介质,首先采用多尺度海森矩阵对待分割图像进行增强处理,以增强第二组织器官,再进行二值化处理得到第二组织器官的第一分割图像,同时还对待分割图像中第一组织器官所在区域进行分割得到第一组织器官的区域分割图像,最后根据区域分割图像对第一分割图像再次进行分割,得到第二组织器官图像的第二分割图像。本发明通过多尺度海森矩阵来增强第二组织器官,提高了分割算法的效率和精度,也减少了人机交互的繁琐操作。另外,通过自动分割第一组织器官区域,进一步提高第二组织器官图像的分割精度。此外,本发明的图像分割算法通用性强,实现了端到端的算法流程,可以更好地辅助医生提高诊断准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像分割方法、***和可读存储介质。
背景技术
在医学图像分割领域中的肺部血管成像有血管对比度低、细小血管结构复杂、肺部组织结构多样的特点,这给医生对患者的医学图像进行肺部结构分析带来很大的难度。因此,对肺部医学图像进行精确分割尤为重要,精确分割能为医生提供高质量的肺部结构信息,有助于医生快速诊断。
血管成像技术包括计算机断层血管造影(CTA)、核磁共振血管造影(MRA)等。血管成像得到的是三维影像,不仅有血管组织同时还包含血管周围其他组织(骨骼,脂肪,肌肉,肺组织等),无法给医生带来精准诊断。所以,从三维影像中提取整个血管区域,并以三维显示技术展示血管的形态,会提高医生诊断准确率。
虽然目前已经有很多血管分割的技术,但血管分割问题仍然是一个非常具有挑战性的任务。目前肺部血管分割方法主要以手动和半自动为主,已有的半自动血管分割方法大致可以分为两类:自顶向下和自底向上。
然而现有的肺部血管分割的方法存在以下缺点:
(1)手动血管分割方法需要花费大量的时间和精力;
(2)自顶向下的半自动分割方法需要人为输入种子点作为开始条件,然后基于目标误差迭代合并邻近的区域,最后生成图像;
(3)自底向上的半自动分割方法利用管状检测滤波器来分割血管,虽然不需要人为输入初始化信息,但是该方法计算开销大,受噪声影响大且在对比度较低的区域无法得到完整的血管结构。
发明内容
本发明的目的在于提供一种图像分割方法、***和可读存储介质,不仅可以提高整体图像分割精度,还可以有效减少人机交互的繁琐操作。
为达到上述目的,本发明提供一种图像分割方法,包括:
获取待分割图像;
利用多尺度海森矩阵对所述待分割图像进行增强处理,得到增强所述第二组织器官后的增强图像;
对所述增强图像进行二值化处理,得到所述第二组织器官的第一分割图像;
对所述待分割图像中所述第一组织器官所在区域进行分割处理,得到所述第一组织器官的区域分割图像;
根据所述区域分割图像对所述第一分割图像进行分割,得到所述第二组织器官图像的第二分割图像。
可选的,在上述图像分割方法中,在所述利用多尺度海森矩阵对所述待分割图像进行增强处理之前,还包括:
对所述待分割图像进行预处理,以滤除所述待分割血管图像中的噪声;
所述利用多尺度海森矩阵对所述待分割图像进行增强处理,具体为:
利用所述多尺度海森矩阵对预处理后的所述待分割图像进行增强处理。
可选的,在上述图像分割方法中,所述利用多尺度海森矩阵对所述待分割图像进行增强处理,包括:
基于海森矩阵,按照预设的尺度范围和尺度迭代次数,对所述待分割图像进行增强处理。
可选的,在上述图像分割方法中,所述尺度范围为0.5~5,所述迭代次数的范围为5~15。
可选的,在上述图像分割方法中,所述对所述待分割图像中的所述第一组织器官所在区域进行分割处理,包括:
对所述待分割图像进行二值化处理,得到所述第一组织器官的区域初步分割图像;
在所述区域初步分割图像的边界区域设置种子点,以所述种子点为初始点,通过形态学方法区分出所述第一组织器官,以得到所述第一组织器官的区域分割图像。
可选的,在上述图像分割方法中,所述通过形态学方法区分出所述第一组织器官,包括:
以所述第一种子点为初始点,通过形态学水漫金山法,区分出所述第一组织器官。
可选的,在上述图像分割方法中,在区分出所述第一组织器官后,还包括:
基于预设的第一形态学参数,采用形态学闭操作,对所述第一组织器官的区域进行孔洞填充和/或边界修补处理。
可选的,在上述图像分割方法中,所述根据所述区域分割图像对所述第一分割图像进行分割,得到所述第二组织器官图像的第二分割图像,包括:
将所述区域分割图像与所述第一分割图像进行逻辑与操作,得到的所述第二组织器官图像的第二分割图像。
可选的,在上述图像分割方法中,将所述区域分割图像与所述第一分割图像进行逻辑与操作之前,还包括:
采用最大连通域法去除所述区域分割图像中的小目标区域,以获得处理后的所述区域分割图像;
所述将所述区域分割图像与所述第一分割图像进行逻辑与操作,具体为:将处理后的所述区域分割图像与所述第一分割图像进行逻辑与操作。
可选的,在上述图像分割方法中,得到的所述第二组织器官图像的第二分割图像之后,还包括:
基于预设的第二形态学参数,采用形态学闭操作,对所述第二分割图像进行边缘平滑处理。
为达到上述目的,本发明还提供一种图像分割***,包括处理器和存储器,所述存储器上存储有指令,当所述指令被所述处理器执行时,实现上文所述的图像分割方法。
为达到上述目的,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上文所述的图像分割方法。
与现有技术相比,本发明提供的图像分割方法、***和存储介质具有以下优点:本发明在获取待分割图像后,首先采用多尺度海森矩阵对所述待分割图像进行增强处理,以增强所述第二组织器官,再进行二值化处理得到所述第二组织器官的第一分割图像,同时还对待分割图像中第一组织器官所在区域进行分割得到第一组织器官的区域分割图像,最后根据区域分割图像对第一分割图像再次进行分割,得到第二组织器官图像的第二分割图像。本发明通过多尺度海森矩阵来增强第二组织器官,提高了分割算法的效率和精度,也减少了人机交互的繁琐操作。另外,通过自动分割第一组织器官区域,并根据第一组织器官区域进一步对第二组织器官图像进行分割,可以进一步提高第二组织器官图像的分割精度。此外,本发明的图像分割算法通用性强,实现了端到端的算法流程,可以更好地辅助医生提高诊断准确性。
附图说明
图1为本发明一实施方式中的图像分割方法的流程图;
图2为待分割图像的一具体示例;
图3为对图2所示的待分割图像进行增强处理后得到的肺部血管增强图像;
图4为对图3所示的肺部血管增强图像进行二值化处理后得到的肺部血管的第一分割图像;
图5为对图2所示的待分割图像进行分割处理后得到的肺部区域分割图像;
图6为根据图5所示的区域分割图像对图4所示的第一分割图像进行分割得到的肺部血管第二分割图像;
图7为图6所示的最终分割后的肺部血管的三维模型图像;
图8为本发明一实施方式中的图像分割***的结构示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的图像分割方法、***和存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种图像分割方法、***和存储介质,不仅可以提高整体分割算法的精度,还可以有效减少人机交互的繁琐操作。
需要说明的是,本发明实施方式中以器官图像,例如肺部图像为例来说明本发明所提供的图像分割方法,此方法不仅限于对器官图像进行分割,还可应用于对其它图像的分割。本发明实施方式的图像分割方法可应用于本发明实施方式的图像分割***,该图像分割***可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作***的硬件设备。
为实现上述思想,本发明提供一种图像分割方法,用于从图像中分割出第一组织器官中的第二组织器官。例如图像为肺部图像,第一组织器官为肺,第二组织器官为血管,本发明提供的图像分割算法用于从图像中分割出肺部血管。请参考图1,具体包括如下步骤:
步骤S100:获取待分割图像。
在本发明中,待分割图像可以是肺部的图像,也可以是其他组织器官(例如呼吸道等)的图像或者其它非器官图像,本发明对此并不进行限制。待分割图像可通过各种成像***扫描采集获得,也可通过诸如存储***影像归档和通信***等内部或外部存储***传输获得。所述成像***包括但不限于磁共振成像(MRI)、计算断层扫描(CT)、正电子发射断层扫描(PET)等一种或多种的组合。需要说明的是,待分割图像的大小可以根据具体情况进行设置,本发明对此并不进行限制,例如待分割图像的大小可为512×512×130像素。请参考图2,其示意性地给出了本发明中待分割图像的一具体示例,该待分割图像为肺部的CT体数据图像,图中标识的第一组织器官10为肺,第二组织器官20为血管。
步骤S200:利用多尺度海森矩阵对所述待分割图像进行增强处理,得到增强所述第二组织器官后的增强图像。
海森矩阵是图像的二阶导数,在实际计算海森矩阵的过程中,可以等价使用高斯滤波器的二阶导数与图像进行卷积计算来得到海森矩阵。由于第一组织器官(例如肺)中的第二组织器官(例如血管)的半径大小不一,因此,通过多尺度海森矩阵可以在使待分割图像上不同大小尺度的第二组织器官的区域得到增强,以便于所述第二组织器官的分割提取。
具体的,可以基于海森矩阵,按照预设的尺度范围和尺度迭代次数,对所述待分割图像进行增强处理。
用I(x,y)表示待分割图像,在尺度δ下的海森矩阵H(x,y;δ)公式定义如下:
其中,Ixx(x,y;δ)表示尺度δ下的二次横向图像,*为卷积操作;Ixy(x,y;δ)表示尺度δ下的二次交叉图像,/>*为卷积操作;Iyy(x,y;δ)表示尺度δ下的二次纵向图像,/>*为卷积操作;/>为尺度δ下的高斯滤波器核参数,●为乘积操作。
其中x,y代表像素点在图像中的位置坐标,尺度δ与第二组织器官(例如血管)大小是有密切关系的,当第二组织器官(例如血管)半径与尺度匹配时,海森矩阵结果会有很大数据值,从而对该半径的第二组织器官进行增强,当根据第二组织器官的半径大小设置多个尺度时,就可以使各个半径的第二组织器官均得到增强,从而得到增强后的第二组织器官的增强图像。以第二组织器官为肺部血管为例,由于肺部血管半径大小不一样,所以这里设置尺度δ也就是高斯滤波器核参数为一个范围值,例如0.5~5,迭代次数可以自5~15次中选择设置,例如,当选择迭代次数为10次时,这样就会在核参数范围0.5~5等间距获得10个核参数来计算多尺度海森矩阵结果。
海森矩阵的输入是待分割图像、尺度δ范围、迭代次数,输出结果就是不同大小半径的第二组织器官的增强图像。对图2所示的待分割图像进行以上增强处理,可得到如图3所示的肺部血管的增强图像,从图中可以看出不同大小半径的血管被高亮显示了。
优选的,在执行步骤S200之前,还可以对所述待分割图像进行预处理,以滤除所述待分割图像中的噪声。由此,通过对所述待分割图像进行预处理,可以有效滤除所述待分割图像中的噪声信息,从而可以有效提高所述待分割图像的图像质量。对应的,步骤S200中,利用所述多尺度海森矩阵对预处理后的所述待分割图像进行增强处理,从而可以提高所述第二组织器官的增强效果。具体地,由于设备成型参数等原因,产生的噪声随机性比较大,这些噪声一般近似正态分布,因此可采用高斯滤波器滤除所述待分割图像中的噪声信息。此外,还可以采用其他常用的滤波器对所述待分割图像进行预处理,本发明对此并不进行限制。
步骤S300:对所述增强图像进行二值化处理,得到所述第二组织器官的第一分割图像。
本步骤中,对海森矩阵增强后的增强图像进行二值化处理,得到第二组织器官的二值图像,从而实现对增强图像进行初步分割。如图4所示,其为对图3所示的增强图像进行二值化处理后得到的肺部血管的第一分割图像。具体的,可采用固定阈值(例如像素值为40-60,优选为50)对增强图像进行二值化处理,当然也可以采用其它二值化方法,本发明对此不做限定。
步骤S400:对所述待分割图像中所述第一组织器官所在区域进行分割处理,得到所述第一组织器官的区域分割图像。
由于步骤S200、S300处理后得到的第一分割图像中不仅有第一组织器官(例如肺)内的第二组织器官(肺部血管),还有非第二组织器官(非肺部血管),为了得到精确的第二组织器官的分割图像,可将第一组织器官的区域分割出来,再根据第一组织器官区域对第一分割图像中的第二组织器官区域进行分割,以排除第一分割图像中的非第二组织器官区域。需要说明的是,在其它实施例中,步骤S400也可以在步骤S200之前执行,本发明对步骤S400和S200的执行顺序不做限定。
具体的,得到所述第一组织器官的区域分割图像的一种实施方式为:首先,对所述待分割图像进行二值化处理,得到所述第一组织器官的区域初步分割图像;然后,在所述区域初步分割图像的边界区域设置种子点,以所述种子点为初始点,通过形态学方法区分出所述第一组织器官,以得到所述第一组织器官的区域分割图像。
首先,可采用固定阈值对所述待分割图像进行二值化处理。具体地,所述阈值选自于CT图像中第一组织器官的像素值,即,阈值的选定可以根据目标被分割组织而定。CT图像使用的是DICOM(医学数字成像和通信)格式的数据格式,这种格式广泛用于医学领域。一个标准的DICOM格式的图像由头文件和数据集组成,其中头文件包含了数据的Tag信息,包括患者信息、设备参数、成像参数、医院及医生信息等,另外数据集与常见的图像格式不同,为12bit或16bit数据,其CT值介于-1024~3071之间,对应由黑到白的灰度值介于0~4095之间,可以表达更加丰富的信息。通常情况下CT图像经过标定以代表不同区域/组织,例如像素值为0时是代表水、像素值为-600到-400代表的是肺组织。当目标被分割组织为肺时,可选像素值为-500作为阈值,当目标被分割组织为呼吸道气管时,可选像素值为-900作为阈值。此外,也可以采用其它方法对所述待分割图像进行二值化处理,本发明对此不做限定。
然后,在所述区域初步分割图像的边界区域设置种子点。在所述区域初步分割图像中,第一组织器官(肺)的区域通常位于中心部位,此时在区域初步分割图像的边界区域设置种子点,可确保种子点位于肺部区域以外,进而即可通过形态学方法区分出所述第一组织器官(肺),从而得到所述第一组织器官的区域分割图像。可以理解的,种子点可以选择为所述区域初步分割图像中特殊像素点所在位置,此种子点代表非第一组织器官(肺)的区域,作为后续分辨第一组织器官(肺)的输入参数。此步骤中的种子点无需人为选择,而是预先从图像边界区域设置为种子点,此方式能够大量节约时间成本,降低医生工作量。
其中,所述通过形态学方法区分出所述第一组织器官的步骤具体为:以所述种子点为初始点,通过形态学水漫金山法(FloodFill),区分出所述第一组织器官。由区域初步分割图像边界的种子点开始,通过形态学水漫金山法得到第一组织器官所在区域显示为黑色,其他区域显示为白色的图像,对所得图像进行取反操作(例如进行黑白图像颠倒操作,将第一组织器官所在区域显示为白色,而其他区域显示为黑色),以将第一组织器官所在区域分割出来。所述的水漫金山法可理解为,通过判断种子点与相邻像素是否相同,如果相同则认为是同一个区域,否则是不同区域,然后继续判断种子点所在区域与邻近区域是否具有相同属性(例如相同像素值),如果不同,则将该种子点所在区域设置成邻近区域属性,以区分第一组织器官区域与其他区域。此外,还可以采用其它形态学方法来区分出所述第一组织器官,本发明对此不做限定。
优选的,在区分出所述第一组织器官后,还可以对所述第一组织器官的区域进行孔洞填充和/或边界修补处理。例如第一组织器官为肺,一般肺部组织区域内会有孔洞,边缘也可能会有缺损,为了更好的提取肺部区域,则需要对肺部区域进行孔洞填充和/或边界修补处理。具体的,可以基于预设的第一形态学参数,采用形态学闭操作,对所述第一组织器官的区域进行孔洞填充和/或边界修补处理,从而将第一组织器官内的孔洞进行填充并且边界也保存完整。请参考图5,图5为对图2所示的待分割图像进行上述处理后得到的肺部区域分割图像,如图5所示,采用形态学闭操作后,肺部区域没有孔洞且边界平滑没有毛刺。第一形态学参数可以设置为5,形态学闭操作可采用先膨胀后腐蚀的形态学闭运算处理方式,即,先对所述区域分割图像进行膨胀5个像素,然后再对膨胀后图像腐蚀5个像素。
步骤S500,根据所述区域分割图像对所述第一分割图像进行分割,得到所述第二组织器官图像的第二分割图像。
如前所述,所述第一分割图像中可能存在非第二组织器官区域,因此需要根据所述第一组织器官的区域分割图像,对所述第一分割图像进行再次分割,以去除第一分割图像中的非第二组织器官区域,从而得到精确的第二组织器官的第二分割图像。
具体的,可以将所述区域分割图像与所述第一分割图像进行逻辑与操作,得到所述第二组织器官图像的第二分割图像。图像的逻辑与操作就是将两幅二值图像的对应像素进行逻辑与操作,以求得两幅尺寸相同的图像的相交区域。通过将所述区域分割图像与所述第一分割图像进行逻辑与操作,可将所述第一分割图像中超出所述第一组织器官区域外的非第二组织器官区域消除,保留所述第一组织器官区域内的第二组织器官区域,从而得到所述第二组织器官图像的第二分割图像。
优选的,在将所述区域分割图像与所述第一分割图像进行逻辑与操作之前,还包括:采用最大连通域法去除所述区域分割图像中的小目标区域,以获得处理后的所述区域分割图像。对应的,将处理后的所述区域分割图像与所述第一分割图像进行逻辑与操作,得到所述第二组织器官图像的第二分割图像。所述区域分割图像中的小目标区域即为非第一组织器官区域(非肺部区域),因此通过上述处理,可以进一步去除非第一组织器官区域(非肺部区域),提高第二组织器官的分割精度。
具体的,在所述区域分割图像的基础上进行最大连通域分析,统计每个连通域的像素点的个数,一个连通域表示具有相同像素点的集合,其中像素点个数最多的即为最大连通域。本发明中,在采用最大连通域法去除所述区域分割图像上的小目标区域时,统计每个连通域的像素点的个数可得到每个连通域的体积,将那些与最大连通域的体积相差较多的连通域作为小目标区域去除。例如,可以将那些体积小于最大连通域的体积的1%的连通域作为小目标区域去除。
优选的,为了使第二组织器官的边界更加平滑,在得到的所述第二组织器官图像的第二分割图像之后,还可以基于预设的第二形态学参数,采用形态学闭操作,对所述第二分割图像进行边缘平滑处理。第二形态学参数可以设置为1,形态学闭操作可采用先膨胀后腐蚀的形态学闭运算处理方式,即,先对所述区域分割图像进行膨胀1个像素,然后再对膨胀后图像腐蚀1个像素。
请参考图6,其示意性给出了根据图5所示的区域分割图像对图4所示的第一分割图像进行分割得到的肺部血管第二分割图像,如图6所示,本发明可以将第二组织器官(例如肺部血管)从第一组织器官的图像中分割出来,方便医生观察,本发明可以实现器官图像的自动分割,操作简单,需要花费的时间较少,可以为临床手术提供准确的器官图像,并且可以为后续的器官三维重建打下基础,请参考图7,示意性地给出了图6所示的最终分割后的肺部血管的三维模型图像,从图7中可以清楚的看到最终分割后的肺部血管。图7中三条相交的直线表示的是空间坐标系中的X、Y、Z轴。
以上所述的示例是以从CT图像中获取肺部血管图像为例,但在具体实施时,不仅限于此应用。本发明还可以应用于其它任何组织器官中的图像分割,例如,从心脏中分割获取心脏血管的图像,或者分割获取呼吸道气管的图像。
综上所述,本发明采用了阈值分割、形态学操作和多尺度海森矩阵增强图像处理技术结合来从第一组织器官图像中分割提取第二组织器官。由于本发明通过多尺度海森矩阵来增强第二组织器官,提高了分割算法的效率和精度,也减少了人机交互的繁琐操作。另外,通过阈值自动分割第一组织器官区域,并根据第一组织器官区域进一步对第二组织器官图像进行分割,可以进一步提高第二组织器官图像的分割精度。此外,还采用形态学操作对图像分割结果进行处理,进一步提高了分割精度。此外,本发明的图像分割算法通用性强,实现了端到端的算法流程,可以更好地辅助医生提高诊断准确性。
基于以上发明构思,本发明还提供一种图像分割***,如图8所示,图像分割***200可以包括处理器210和存储器220,存储器220上存储有指令,当指令被处理器210执行时,可以实现如上文所描述的图像分割方法中的步骤。
其中,处理器210可以根据存储在存储器220中的指令执行各种动作和处理。具体地,处理器210可以是一种集成电路芯片,具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以是X86架构或者是ARM架构等。
存储器220存储有可执行指令,该指令在被处理器210执行上文所述的图像分割方法。存储器220可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意,本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于同一发明构思,本发明还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,可以实现上文所描述的图像分割方法中的步骤。
类似地,本发明实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。应注意,本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是,附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
一般而言,本发明的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、***、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***、计算机可读存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种图像分割方法,用于从图像中分割出第一组织器官中的第二组织器官,其特征在于,包括:
获取待分割图像;
利用多尺度海森矩阵对所述待分割图像进行增强处理,得到第二组织器官的增强图像;
对所述增强图像进行二值化处理,得到所述第二组织器官的第一分割图像;
对所述待分割图像中所述第一组织器官所在区域进行分割处理,得到所述第一组织器官的区域分割图像;
根据所述区域分割图像对所述第一分割图像进行分割,得到所述第二组织器官图像的第二分割图像;
所述利用多尺度海森矩阵对所述待分割图像进行增强处理,包括:
基于海森矩阵,按照预设的尺度范围和尺度迭代次数,对所述待分割图像进行增强处理;
所述根据所述区域分割图像对所述第一分割图像进行分割,得到所述第二组织器官图像的第二分割图像,包括:
将所述区域分割图像与所述第一分割图像进行逻辑与操作,得到所述第二组织器官图像的第二分割图像。
2.根据权利要求1所述的图像分割方法,其特征在于,在所述利用多尺度海森矩阵对所述待分割图像进行增强处理之前,还包括:
对所述待分割图像进行预处理,以滤除待分割血管图像中的噪声;
所述利用多尺度海森矩阵对所述待分割图像进行增强处理,具体为:
利用所述多尺度海森矩阵对预处理后的所述待分割图像进行增强处理。
3.根据权利要求1所述的图像分割方法,其特征在于,所述尺度范围为0.5~5,所述迭代次数的范围为5~15。
4.根据权利要求1所述的图像分割方法,其特征在于,所述对所述待分割图像中的所述第一组织器官所在区域进行分割处理,包括:
对所述待分割图像进行二值化处理,得到所述第一组织器官的区域初步分割图像;
在所述区域初步分割图像的边界区域设置种子点,以所述种子点为初始点,通过形态学方法区分出所述第一组织器官,以得到所述第一组织器官的区域分割图像。
5.根据权利要求4所述的图像分割方法,其特征在于,所述通过形态学方法区分出所述第一组织器官,包括:
以所述种子点为初始点,通过形态学水漫金山法,区分出所述第一组织器官。
6.根据权利要求5所述的图像分割方法,其特征在于,在区分出所述第一组织器官后,还包括:
基于预设的第一形态学参数,采用形态学闭操作,对所述第一组织器官的区域进行孔洞填充和/或边界修补处理。
7.根据权利要求1所述的图像分割方法,其特征在于,将所述区域分割图像与所述第一分割图像进行逻辑与操作之前,还包括:
采用最大连通域法去除所述区域分割图像中的小目标区域,以获得处理后的所述区域分割图像;
所述将所述区域分割图像与所述第一分割图像进行逻辑与操作,具体为:将处理后的所述区域分割图像与所述第一分割图像进行逻辑与操作。
8.根据权利要求1所述的图像分割方法,其特征在于,得到所述第二组织器官图像的第二分割图像之后,还包括:
基于预设的第二形态学参数,采用形态学闭操作,对所述第二分割图像进行边缘平滑处理。
9.一种图像分割***,其特征在于,包括处理器和存储器,所述存储器上存储有指令,当所述指令被所述处理器执行时,实现权利要求1至8中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457666.5A CN113724264B (zh) | 2020-05-26 | 2020-05-26 | 图像分割方法、***和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457666.5A CN113724264B (zh) | 2020-05-26 | 2020-05-26 | 图像分割方法、***和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724264A CN113724264A (zh) | 2021-11-30 |
CN113724264B true CN113724264B (zh) | 2023-08-11 |
Family
ID=78672117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010457666.5A Active CN113724264B (zh) | 2020-05-26 | 2020-05-26 | 图像分割方法、***和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724264B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024119323A1 (zh) * | 2022-12-05 | 2024-06-13 | 深圳华大生命科学研究院 | 样本图像的组织分割方法、***、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN111028241A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种多尺度血管增强的水平集分割***与方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3409187B1 (de) * | 2017-05-30 | 2023-08-16 | Siemens Healthcare GmbH | Verfahren und vorrichtung zur bestimmung einer strömungssituation in einem organ |
-
2020
- 2020-05-26 CN CN202010457666.5A patent/CN113724264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN111028241A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种多尺度血管增强的水平集分割***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113724264A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062449B2 (en) | Method and system for extracting vasculature | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
US7593762B2 (en) | System and method for automatically segmenting bones in computed tomography angiography data | |
CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
CN115100067A (zh) | 图像重建方法及装置 | |
Ng et al. | Medical image segmentation using watershed segmentation with texture-based region merging | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN112562058A (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Cercos-Pita et al. | NASAL-Geom, a free upper respiratory tract 3D model reconstruction software | |
CN113724264B (zh) | 图像分割方法、***和可读存储介质 | |
CN112116623B (zh) | 图像分割方法及装置 | |
Mueller et al. | Robust semi-automated path extraction for visualising stenosis of the coronary arteries | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112509080A (zh) | 一种基于迁移学习的颅内血管模拟三维模型的建立方法 | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
TWI790179B (zh) | 心導管影像辨識及評估方法 | |
Zhou et al. | Automated detection of pulmonary embolism (PE) in computed tomographic pulmonary angiographic (CTPA) images: multiscale hierachical expectation-maximization segmentation of vessels and PEs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |